TensorFlow2代码解读(4)

import tensorflow as tf
from tensorflow.keras import datasets, layers, optimizers, Sequential, metrics
 
(x, y), (x_test, y_test) = datasets.fashion_mnist.load_data()
x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.
y = tf.convert_to_tensor(y, dtype=tf.int32)
x_test = tf.convert_to_tensor(x_test, dtype=tf.float32) / 255.
y_test = tf.convert_to_tensor(y_test, dtype=tf.int32)
 
# 将28x28的图像转换成长度为784的向量
x = tf.reshape(x, [-1, 28*28])
x_test = tf.reshape(x_test, [-1, 28*28])
 
batch_size = 128
 
db = tf.data.Dataset.from_tensor_slices((x, y))
db = db.shuffle(10000).batch(batch_size)
 
db_test = tf.data.Dataset.from_tensor_slices((x_test, y_test))
db_test = db_test.batch(batch_size)
 
 
model = Sequential([
    layers.Dense(256, activation=tf.nn.relu),
    layers.Dense(128, activation=tf.nn.relu),
    layers.Dense(64, activation=tf.nn.relu),
    layers.Dense(32, activation=tf.nn.relu),
    layers.Dense(16, activation=tf.nn.relu),
    layers.Dense(10)
])
model.build(input_shape=[None, 28*28])
optimizer = optimizers.Adam(lr=1e-3)
 
model.compile(optimizer=optimizer,
              loss=tf.losses.MSE,
              metrics=[metrics.CategoricalAccuracy()])
 
def main():
    model.fit(db, epochs=30, validation_data=db_test)
 
if __name__ == '__main__':
    main()

(x, y), (x_test, y_test) = datasets.fashion_mnist.load_data()
 
这行代码从TensorFlow的Fashion MNIST数据集中加载训练集(x, y)和测试集(x_test, y_test)。

x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.
y = tf.convert_to_tensor(y, dtype=tf.int32)
x_test = tf.convert_to_tensor(x_test, dtype=tf.float32) / 255.
y_test = tf.convert_to_tensor(y_test, dtype=tf.int32)
 
这里将加载的数据转换为张量格式，并对输入图像进行预处理。x和x_test被转换为float32类型，并且通过除以255进行归一化，使像素值在0到1之间。而y和y_test则被转换为int32类型。

x = tf.reshape(x, [-1, 28*28])
x_test = tf.reshape(x_test, [-1, 28*28])
 
这两行代码将图像数据进行reshape操作，将每张图像从28x28的二维数组转换为长度为784的一维向量。-1表示根据原始数据的维度自动计算。

batch_size = 128
 
这行代码定义了批量训练的批次大小，即每次送入模型训练的样本数量。

db = tf.data.Dataset.from_tensor_slices((x, y))
db = db.shuffle(10000).batch(batch_size)
 
这里使用tf.data.Dataset.from_tensor_slices()将训练数据(x, y)转换为数据集对象db。然后使用.shuffle(10000)对数据集进行混洗操作，打乱样本的顺序。最后使用.batch(batch_size)方法将数据集划分为批次，每个批次的样本数量为batch_size。

db_test = tf.data.Dataset.from_tensor_slices((x_test, y_test))
db_test = db_test.batch(batch_size)
 
这里使用tf.data.Dataset.from_tensor_slices()将测试数据(x_test, y_test)转换为数据集对象db_test。同样地，使用.batch(batch_size)方法将数据集划分为批次，每个批次的样本数量为batch_size。

model = Sequential([
    layers.Dense(256, activation=tf.nn.relu),
    layers.Dense(128, activation=tf.nn.relu),
    layers.Dense(64, activation=tf.nn.relu),
    layers.Dense(32, activation=tf.nn.relu),
    layers.Dense(16, activation=tf.nn.relu),
    layers.Dense(10)
])
model.build(input_shape=[None, 28*28])
optimizer = optimizers.Adam(lr=1e-3)
 
这里定义了一个Sequential模型，并通过layers.Dense添加了一系列全连接层。每个全连接层都有不同的输出大小和激活函数。最后一个全连接层没有指定激活函数，因为这是一个多类别分类问题，概率可以通过softmax函数计算。使用model.build()指定了模型的输入形状为(None, 28*28)，其中None表示可以接受任意批次大小。

model.compile(optimizer=optimizer,
              loss=tf.losses.MSE,
              metrics=[metrics.CategoricalAccuracy()])
 
这行代码编译模型。使用指定的优化器optimizer、损失函数tf.losses.MSE和评估指标metrics.CategoricalAccuracy()来配置模型。

def main():
    model.fit(db, epochs=30, validation_data=db_test)
 
这里定义了一个main()函数，并在其中使用.fit()方法对模型进行训练。训练数据集为db，训练30个epoch，并且使用验证数据集db_test进行模型的验证。

if __name__ == '__main__':
    main()
 
这里使用if __name__ == '__main__':判断当前脚本是否直接运行，如果是，则调用main()函数开始执行代码。